“讓高壓電解液從經(jīng)驗篩選走向智能發(fā)現(xiàn)”——這并非遙遠設(shè)想，而是北京理工大學(xué)材料學(xué)院陳楠和陳人杰教授團隊面向下一代高能量密度鋰電池提出的AI4B研究框架。針對高電壓條件下電解液易氧化分解、界面反應(yīng)復(fù)雜、候選配方空間龐大和傳統(tǒng)經(jīng)驗試錯效率較低等關(guān)鍵瓶頸，團隊于2026年6月在《Chemical Society Reviews》（影響因子：39.3）上發(fā)表題為“AI for Battery Accelerated Discovery of High-Voltage Electrolytes for Advanced Lithium Batteries”的前瞻性綜述，以AI for Battery（AI4B）為主線，系統(tǒng)總結(jié)了機器學(xué)習(xí)在高壓電解液結(jié)構(gòu)解析、失效機制分析、分子高通量篩選、配方多目標(biāo)優(yōu)化和自驅(qū)動閉環(huán)研發(fā)中的應(yīng)用進展，并提出將數(shù)據(jù)驅(qū)動模型、物理化學(xué)機制、理論計算和實驗驗證相結(jié)合的高壓電解液智能發(fā)現(xiàn)框架，為高比能鋰電池電解液的理性設(shè)計提供了新的研究思路。論文第一作者為北京理工大學(xué)材料學(xué)院2024級博士研究生湛煜，通訊作者為陳楠副教授和陳人杰教授。

【資料圖】

從經(jīng)驗試錯到AI4B：高壓電解液研究范式轉(zhuǎn)變

隨著電動汽車、智能裝備和大規(guī)模儲能技術(shù)快速發(fā)展，鋰電池正向更高能量密度和更寬工作電壓窗口演進。然而，高電壓條件下傳統(tǒng)碳酸酯電解液容易發(fā)生氧化分解，并誘發(fā)氣體釋放、界面膜失穩(wěn)、過渡金屬溶出和阻抗增長等問題，成為限制高比能鋰電池進一步發(fā)展的關(guān)鍵瓶頸。與傳統(tǒng)依賴經(jīng)驗試錯的研究模式相比，機器學(xué)習(xí)能夠在復(fù)雜分子結(jié)構(gòu)空間、溶劑化環(huán)境和界面反應(yīng)之間建立數(shù)據(jù)驅(qū)動關(guān)聯(lián)，為高壓電解液的快速發(fā)現(xiàn)和理性設(shè)計提供新的方法基礎(chǔ)。

圖1：傳統(tǒng)電解液研發(fā)范式與AI4B范式對比

綜述首先從研究范式層面對高壓電解液開發(fā)進行了重新梳理。傳統(tǒng)電解液研究通常以實驗經(jīng)驗和逐步試錯為主，面對龐大的溶劑、鋰鹽和添加劑組合空間，往往需要經(jīng)歷長周期篩選和反復(fù)驗證。該過程不僅研發(fā)成本高，而且難以在分子結(jié)構(gòu)、溶劑化行為、界面反應(yīng)和電池性能之間建立可遷移的定量關(guān)系。

AI4B范式則強調(diào)以數(shù)據(jù)和算法為核心，將實驗數(shù)據(jù)、理論計算、分子模擬和機器學(xué)習(xí)模型有機結(jié)合，構(gòu)建跨尺度、多物理場的研究框架。該范式不僅用于候選分子的高通量篩選，還能夠進一步服務(wù)于電解液失效機理識別、界面反應(yīng)路徑解析和多目標(biāo)配方優(yōu)化。綜述指出，AI4B的核心價值在于將高壓電解液研究從“經(jīng)驗驅(qū)動篩選”推進到“數(shù)據(jù)驅(qū)動預(yù)測、理論指導(dǎo)計算和實驗驗證反饋”相結(jié)合的系統(tǒng)化研究模式。

深度學(xué)習(xí)算法為電解液結(jié)構(gòu)表征和候選分子生成提供工具基礎(chǔ)

在算法基礎(chǔ)方面，綜述系統(tǒng)梳理了循環(huán)神經(jīng)網(wǎng)絡(luò)、卷積神經(jīng)網(wǎng)絡(luò)、圖神經(jīng)網(wǎng)絡(luò)、生成對抗網(wǎng)絡(luò)、變分自編碼器、流模型、擴散模型和Transformer等代表性深度學(xué)習(xí)架構(gòu)。不同模型對應(yīng)不同類型的數(shù)據(jù)結(jié)構(gòu)和科學(xué)任務(wù)：循環(huán)神經(jīng)網(wǎng)絡(luò)適用于序列數(shù)據(jù)處理，卷積神經(jīng)網(wǎng)絡(luò)適用于圖像和譜圖特征提取，圖神經(jīng)網(wǎng)絡(luò)能夠天然表達分子結(jié)構(gòu)和相互作用網(wǎng)絡(luò)，生成模型則可用于候選分子構(gòu)建和化學(xué)空間探索，Transformer架構(gòu)則在跨模態(tài)信息整合和復(fù)雜關(guān)系建模方面展現(xiàn)出重要潛力。

圖2：深度學(xué)習(xí)算法體系及其在材料研究中的潛在作用

對于高壓電解液研究而言，深度學(xué)習(xí)的關(guān)鍵作用不只是提高預(yù)測精度，更在于增強對復(fù)雜結(jié)構(gòu)信息的表達能力。分子結(jié)構(gòu)、溶劑化鞘層、界面反應(yīng)中間體和表征譜圖均具有高維、非線性和多尺度耦合特征，傳統(tǒng)手工描述符往往難以完整刻畫這些信息。深度學(xué)習(xí)通過自動特征提取和表示學(xué)習(xí)，為建立分子結(jié)構(gòu)、局域環(huán)境、界面行為與宏觀性能的關(guān)聯(lián)模型提供了方法支撐。

AI4B視角下高壓鋰電池研發(fā)的階段演進

綜述進一步提出了高壓鋰電池研發(fā)從 HV 1.0 到 HV 3.0 的階段性演進框架。在HV 1.0階段，電池工作電壓通常低于4.3 V，研究模式主要依賴實驗經(jīng)驗、單因素優(yōu)化和有限的機理模型，研發(fā)周期較長，成本較高。進入HV 2.0階段后，電池工作電壓拓展至約4.3–5.0 V，能量密度顯著提升，但同時伴隨更加復(fù)雜的電解液氧化、界面膜演化和電極耦合失效問題。在這一階段，AI主要作為輔助工具，用于溶劑化結(jié)構(gòu)預(yù)測、高通量篩選、代理模型構(gòu)建、多目標(biāo)優(yōu)化和圖像識別等任務(wù)。

圖3：高壓鋰電池研究從HV 1.0到HV 3.0的演進路徑

面向未來HV 3.0階段，即超過5.0 V并追求更高能量密度的高壓電池體系，AI4B有望從輔助分析工具進一步發(fā)展為閉環(huán)研發(fā)平臺。其典型特征包括目標(biāo)導(dǎo)向的電解液逆向設(shè)計、可合成性約束下的候選體系生成、自驅(qū)動實驗室、機器人高通量平臺、主動學(xué)習(xí)驅(qū)動的實驗策略、數(shù)字孿生、多尺度機理建模和跨領(lǐng)域知識遷移。該框架表明，高壓電解液設(shè)計不再只是尋找單一穩(wěn)定分子，而是需要在電壓穩(wěn)定性、離子傳輸、界面成膜、安全性、成本和可制造性之間進行協(xié)同優(yōu)化。

面向未來：電池基礎(chǔ)模型、自驅(qū)動實驗室、模型可解釋性與Science for AI

在展望部分，綜述指出，高壓電解液研究未來仍面臨數(shù)據(jù)稀缺、模型泛化能力不足、復(fù)雜界面機制難以定量解析以及實驗反饋周期較長等挑戰(zhàn)。為推動AI4B從概念框架走向可操作的研究體系，文章提出了四個重點方向：面向電池領(lǐng)域的專用基礎(chǔ)模型、自驅(qū)動實驗室、模型可解釋性提升以及Science for AI。

圖4：AI4B范式的未來發(fā)展方向

其中，電池領(lǐng)域基礎(chǔ)模型需要以高質(zhì)量文獻數(shù)據(jù)、實驗數(shù)據(jù)、計算數(shù)據(jù)和多模態(tài)表征數(shù)據(jù)為基礎(chǔ)，建立能夠服務(wù)于電解液結(jié)構(gòu)解析、性能預(yù)測和候選體系生成的通用表示框架。自驅(qū)動實驗室則通過機器人實驗、高通量測試、實時數(shù)據(jù)分析和主動學(xué)習(xí)決策，實現(xiàn)電解液配方的快速迭代優(yōu)化。模型可解釋性對于電池研究尤為重要，因為高壓電解液設(shè)計不僅要求模型預(yù)測準(zhǔn)確，更要求模型能夠揭示分子結(jié)構(gòu)、溶劑化環(huán)境和界面反應(yīng)之間的物理化學(xué)聯(lián)系。Science for AI則強調(diào)從物理、化學(xué)、概率統(tǒng)計、群論和神經(jīng)科學(xué)等基礎(chǔ)科學(xué)中吸收新思想，反向推動更適合科學(xué)問題的人工智能方法發(fā)展。

團隊在吳鋒院士牽頭下，長期面向國家重大能源需求開展二次電池研究。自20世紀(jì)90年代起，團隊持續(xù)推進鎳氫電池關(guān)鍵技術(shù)研發(fā)，隨后在鋰離子電池及多電子高比能二次電池新體系方面形成了系統(tǒng)布局與特色積累。近年來，團隊在電解液設(shè)計、界面調(diào)控、智能電池和多尺度機理分析等方向形成了系統(tǒng)積累。該綜述的發(fā)表進一步體現(xiàn)了團隊在人工智能與電化學(xué)儲能交叉方向的持續(xù)布局，也為推動高壓鋰電池從經(jīng)驗開發(fā)走向數(shù)據(jù)驅(qū)動和機制約束相結(jié)合的智能研發(fā)提供了新的思路。